Control de Proceso

Juan Carlos Osorio

 Control de Proceso
Todo proceso esta expuesto a variaciones que hacen que dos
productos no sean exactamente iguales.
Existen diferencias pequeñas y grandes.

Causas de Variación

 Naturales – pequeñas causas “al azar”, presentes

continuamente en el proceso y no fáciles de identificar.
(vibración de los equipos, exactitud de los ajustes
humanos, cambios ambientales pequeños)
 Asignables – Afectan al producto de manera más
especifica. Variaciones grandes. Se relacionan con cada
proceso en particular.

El objetivo principal del control de proceso es prevenir,

detectar y eliminar las causas asignables de variación.

Juan Carlos Osorio

 Control de Proceso
El objeto del control estadístico de procesos es servir para
establecer y mantener un proceso a un nivel estable y
aceptable, de tal forma que se asegure la conformidad de
los productos y de los servicios con requisitos
especificados.

La principal herramienta estadística utilizada para hacer

esto es el gráfico de control, método gráfico que sirve para
presentar y comparar información basado en una secuencia
de muestras que representa el estado actual de un proceso
frente a límites establecidos después de considerar la
variabilidad inherente del proceso.

Juan Carlos Osorio

 Control de Proceso
El método del gráfico de control ayuda:
1. A evaluar si un proceso ha alcanzado o no un
estado de control estadístico o continúa en ese
estado al nivel específico apropiado.
2. A obtener y mantener el control y un alto grado
de uniformidad en características importantes
del producto o del servicio mediante el
mantenimiento de un registro continuo de la
calidad del producto mientras la producción
sigue su curso.

El uso de un gráfico de control y su análisis

cuidadoso conduce a un mejor entendimiento y
mejoramiento del proceso.

Juan Carlos Osorio

 Gráficos de Control
Para establecerlos, se requiere:

1. Elegir la característica que debe graficarse.

2. Elegir el tipo de gráfica de control.

3. Decidir la línea central que deben usarse y la base para

calcular los límites. La línea central puede ser el promedio
de los datos históricos o puede ser el promedio deseado.

4. Seleccionar el subgrupo racional. Cada punto en una

gráfica de control representa un subgrupo que consiste en
varias unidades de producto.

Juan Carlos Osorio

 Gráficos de Control
Para establecerlos, se requiere:

5. Proporcionar un sistema de recolección de datos si la

gráfica de control ha de servir como una herramienta
cotidiana en la planta.

6. Calcular los límites de control y proporcionar instrucciones

específicas sobre la interpretación de los resultados y las
acciones que debe tomar cada persona en producción.

7. Graficar los datos e interpretar los resultados.

Juan Carlos Osorio

 Gráficos de Control

Los gráficos de
control ayudan en la
detección de patrones
no naturales de
variación en los datos
resultantes de los
procesos repetitivos y
suministran criterios
para detectar una
falta de control
estadístico.

Juan Carlos Osorio

 Gráficos de Control
El gráfico de control como un medio gráfico de
aplicar los principios estadísticos de la significancia
al control de un proceso de producción, fue
propuesto por primera vez por el doctor Walter
Shewhart en 1924.

Un proceso está bajo control estadístico cuando la

variabilidad resulta únicamente por causas
aleatorias.

Una vez que se determina este nivel de variación

aceptable, se supone que cualquier desviación
respecto de ese nivel es el resultado de causas
asignables que es necesario identificar y eliminar o
reducir.

Juan Carlos Osorio

 Gráficos de Control

 Son un método de comparar información basada en

muestras representativas del estado actual de un
proceso, frente a los límites establecidos después
de considerar la variabilidad inherente.

 Establecen una comparación gráfica de la situación

actual del proceso y las expectativas dadas por el
modelo de distribución esperado.

 Permiten un monitoreo permanente del proceso.

Juan Carlos Osorio

 Gráficos de Control
El subgrupo racional representa datos recolectados
durante un período de tiempo corto, en condiciones
esencialmente idénticas de material, ajuste del
instrumento, condiciones ambientales, etc.

Para la recolección de los datos y para la determinación de

los límites de control se debe utilizar la misma definición
de subgrupo racional.

Juan Carlos Osorio

 Gráficos de Control
La especificación de los límites de control es una de las
decisiones críticas que deben tomarse al diseñar un grafico de
control.
 (LC): Línea central localizada en un valor de referencia de la
característica, el cual es usualmente el promedio de los datos.
 (LSC y LIC): Limites de control superior e inferior
determinados estadísticamente a 3σ de la línea central,
donde σ es la desviación estándar de la población.

Juan Carlos Osorio

 Gráficos de Control
 Cuando los límites de control se alejan más de la línea
central, se reduce el riesgo de un error tipo I.

 El error tipo I, es el riesgo de que un punto se localice fuera

de los límites de control.

 Si se ensanchan los límites de control se incrementará el

riesgo del error tipo II.

 El error tipo II, es el riesgo de que un punto se localice

dentro de los límites de control cuando el proceso está fuera
de control.

Si LSC y LIC se colocan más cerca de la LC, el riesgo del error

tipo I se incrementa y la del tipo II se reduce.

Juan Carlos Osorio

 Gráficos de Control
Tipos de Gráficos

Por variables:
~
X Controla el centramiento del proceso.
 R Controla la dispersión utilizando el rango.
 σ Controla la dispersión utilizando la desviación.

Por Atributos:
 p Controla la fracción o porcentaje defectuoso.
 np Controla el número de defectuosos.
 c Controla el número de defectos.
 u Controla el número de defectos por unidad.

Juan Carlos Osorio

 Beneficios de los Gráficos de
Control
 Herramienta simple y de fácil manejo.

 Mejoran la productividad y la calidad del producto.

 Son efectivos para prevenir defectos.

 Previenen el ajuste innecesario del proceso.

 Proporcionan información de diagnóstico del proceso.

 Permiten establecer las capacidades del proceso de una

manera confiable, para que sean confrontadas con las
especificaciones de tal manera que se puedan orientar las
estrategias de la empresa.

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
1. Tendencias
Tendencia de los valores de los puntos consecutivos del
gráfico a incrementarse (o disminuir).

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
1. Tendencias

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
2. Ciclos
Patrón de fluctuaciones no aleatorias, los cuales son el
resultado de causas que varían periódicamente.

El rendimiento puede mejorarse mediante la eliminación

o reducción de las fuentes de variabilidad.

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
3. Estratificaciones.
Adhesión a la línea central. 15 puntos consecutivos a
menos de 1 sigma.

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
Adhesión a los límites. 2 puntos consecutivos a más de
dos desviaciones de la línea central.
8 puntos consecutivos entre 1 y 2 desviaciones de la línea
central.

Juan Carlos Osorio

 Análisis e Interpretación de los
4. Secuencias
Gráficos

 8 puntos consecutivos a un mismo lado de la línea central.

 10 de 11 puntos consecutivos a un mismo lado de la línea
central (12 de 14; 14 de 17; 16 de 20).

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
4. Secuencias

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
5. Inestabilidad

Juan Carlos Osorio

 Análisis e Interpretación de los
Gráficos
6. Un punto situado más allá de los límites de control

Juan Carlos Osorio

 Gráficos para variables
 Los factores para calcular sus limites se obtienen bajo la
suposición de normalidad mediante lo cual será posible
identificar la variabilidad dentro de la muestra.

 Se encuentra entre las técnicas estadísticas de monitoreo

y control de una característica o medida de un proceso o
producto más importantes y útiles.

 Como efecto de las diferentes causas de variación, el

proceso se puede afectar, no solo en el valor central
esperado, sino también en la dispersión o homogeneidad.

 Por lo tanto, se recomienda controlar el centramiento y la

dispersión.

Juan Carlos Osorio

 Gráficos X-R
 Controlan al mismo tiempo el centramiento y la
dispersión de la variable.

 En realidad son dos gráficas separadas, una arriba de

la otra. Dispersión (variabilidad de muestra a
muestra) y localización (promedio del proceso).

 Se aplican para procesos masivos, en donde en forma

periódica se obtiene un subgrupo de productos, se
miden y se calcula la media y el rango R.

Juan Carlos Osorio

 Construcción de Gráficos X-R
1. Recopilación de los datos:
muestras de tamaño 4 o 5.
X
 X i
Mayores a 30 mediciones. N

2. Cálculos de X y R. LSC  X  A2 R
LIC  X  A2 R
3. Cálculo de las líneas centrales.

4. Cálculo de los límites de control. R

 R i

N
5. Recálculo de los límites de control. LSC  D4 R

6. Trazado del gráfico. LIC  D3 R

Juan Carlos Osorio

 Construcción de Gráficos X-R

 x  3 x

x  X y  x 
n
R
ˆ 
d2
 R 
 
 d2  3
3 x  3   R  A2 R
n d2 n
 
 

Juan Carlos Osorio

 Gráficos X-R

Juan Carlos Osorio

 Gráficos X-R

 Los tamaños de las muestras deben ser pequeños

y resultan de la construcción de subgrupos
racionales y del hecho de que los costos de
muestreo e inspección asociados con la medición
de las variables son relativamente altos.

 Estos gráficos proporcionan información acerca del

desempeño o capacidad del proceso

Juan Carlos Osorio

 Gráficos X-σ

Son preferibles cuando:

1. El tamaño de la muestra n es moderadamente

grande. (n>10)
2. El tamaño de la muestra n es variable.

 Una alternativa del uso de límites de control de

anchura variable, es basar los cálculos de los límites
en un tamaño promedio de la muestra n.

Juan Carlos Osorio

 Construcción de Gráficos X-σ
1. Recopilación de los datos:
muestras de tamaño 4 o 5. S
 s  3 s ˆ 
Mayores a 30 mediciones. c4
 s  c4 y  s   1  c4
2. Cálculos de X y σ.

3. Cálculo de las líneas centrales. X

 X i

N
4. Cálculo de los límites de control. LSC  X  A1
   i

N
5. Recálculo de los límites de control. LIC  X  A1
LSC  B4 
6. Trazado del gráfico. LIC  B3 

Juan Carlos Osorio

 Constantes para el cálculo de los
Límites de Control
n A2 A1 D3 D4 B3 B4
2 1.880 3.759 0 3.268 0 3.267
3 1.023 2.394 0 2.574 0 2.568
4 0.729 1.880 0 2.282 0 2.266
5 0.577 1.596 0 2.114 0 2.089
6 0.483 1.410 0 2.004 0.030 1.970
7 0.419 1.277 0.076 1.924 0.118 1.882
8 0.373 1.175 0.136 1.864 0.185 1.815
9 0.337 1.094 0.184 1.1816 0.239 1.761
10 0.308 1.028 0.223 1.777 0.284 1.716

Juan Carlos Osorio

 Gráficos para variables
 Se han observado las siguientes medias y desviaciones
estándar para muestras de tamaño 10:

Muestra Media Desviación Muestra Media Desviación

1 1,23 0,08 11 1,26 0,1
2 1,21 0,06 12 1,32 0,08
3 1,26 0,07 13 1,27 0,04
4 1,22 0,06 14 1,27 0,07
5 1,25 0,08 15 1,28 0,08
6 1,2 0,07 16 1,27 0,08
7 1,26 0,09 17 1,24 0,04
8 1,27 0,06 18 1,31 0,06
9 1,2 0,05 19 1,22 0,04
10 1,19 0,04 20 1,27 0,09
 Elaborar el gráfico de control respectivo.

Juan Carlos Osorio

 Índice de Inestabilidad
 Se dice que un proceso es inestable cuando se encuentra
fuera de control estadístico.

 El índice de inestabilidad (St) proporciona una medición

de que tan inestable es un proceso, así se podrán
diferenciar los procesos que tengan señales especiales de
variación, de los que con frecuencia funcionan en
presencia de causas especiales de variación.

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑐𝑖𝑎𝑙𝑒𝑠

St = 𝑥 100
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑢𝑛𝑡𝑜𝑠

Juan Carlos Osorio

 Índice de Inestabilidad
 Número de puntos especiales: Cantidad de puntos que
indicaron en ese periodo, una señal de que una causa
especial ocurrió en el proceso.

(puntos fuera de los límites + puntos

que indicaron los patrones no aleatorios)

 Número total de puntos: Cantidad de puntos que

fueron graficados en una carta de control en cierto
periodo.

Juan Carlos Osorio

 Índice de Inestabilidad
Para interpretar el índice de inestabilidad (St) …

 Se parte de que el valor ideal es cero, que ocurre

cuando no hay puntos especiales.

 Si todos los puntos graficados son especiales,

entonces el valor del índice St es 100.

 Valores de pocas unidades porcentuales del índice St,

indican un proceso con poca inestabilidad, lo que se
considera estable.

Juan Carlos Osorio

 Índice de Inestabilidad
Para interpretar el índice de inestabilidad (St) …

 Estabilidad relativamente buena: si St está entre 0 y 2%

 Estabilidad regular: si St está entre 2 y 5%

 Estabilidad mala: si St > 5%

Cuando el índice St es grande, no se puede atender a todas

las señales especiales, por tanto, se debe analizar los
principales patrones en la carta de control.

Juan Carlos Osorio

 Gráficos para atributos
 Representan observaciones obtenidas notando la presencia o
ausencia de una característica en la unidades del subgrupo.

 No son tan informativas como las cartas para variables, pero son
útiles en industrias de servicios y esfuerzos de mejoramiento de
calidad fuera de la manufactura.

 Se establecen básicamente, para el control de productos

defectuosos o de defectos en el producto.

 Cuando se quiere establecer control sobre la cantidad de

unidades defectuosas se puede utilizar el gráfico p o el np.
Cuando el tamaño de muestra no varía se utiliza el np, cuando
varía se utiliza el p.

 Los gráficos c y u son los apropiados para controlar el número

de defectos. c requiere que la muestra sea de igual tamaño.

Juan Carlos Osorio

 Gráficos para atributos
 A diferencia de los gráficos de control por variables, en
este tipo de gráficos será suficiente un gráfico que tiene
solo un parámetro independiente, el nivel del promedio.

 En el caso en el que la muestra varía entre cada sub

grupo, se deben calcular límites de control separados.
Cuanto más pequeños sea el tamaño del subgrupo, más
amplias serán las bandas de control y viceversa.

 Los grafico p y np se basan en la distribución binomial; y

los gráficos c y u en la Poisson.

Juan Carlos Osorio

 Gráficos de Control np
Representa el número de unidades defectuosas por
muestra. Es condición que el tamaño de la muestra n sea
constante.

LC  n p  (np) j
j 1
np 
LSC  n p  3 n p (1  p) k
LIC  n p  3 n p (1  p) np
p
n

k  número de muestras
n  50 o n p  4

Juan Carlos Osorio

 Gráficos de Control p
Representa la fracción o porcentaje de defectuosos en la
muestra. El valor de n puede ser variable. Lo cual se presenta
frecuentemente.

LC  p
p (1  p )
LSC  p  3
n p
 unidades defectuosas

p (1  p )  unidades inspeccionadas
LIC  p  3
n
 Si los valores de n se encuentran en el rango n 0.1n,
entonces n se considera constante. Si n no es constante, se
calculan los límites muestra a muestra.

Juan Carlos Osorio

 Gráficos de Control c

Representa el número de defectos en la muestra. El

valor de n debe ser constante. Se asume distribución de
poisson.

LC  c
Total número de defectos
c
LSC  c  3 c Total muestras
LIC  c  3 c

Juan Carlos Osorio

 Gráficos de Control u
Representa el número de defectos en la muestra. El valor
de n debe ser variable. N debe estar por fuera del rango n
0.1n

LC  u
u _ c Total de defectos
LSC  u  3 u 
n n Total unidades inspeccionadas

u
LIC  u  3
n

Juan Carlos Osorio

 Ejercicio
Se tienen los siguientes datos de un proceso. Realizar el análisis del
mismo a partir de los gráficos de control
Unidades Unidades
Día Producción Día Producción
defectuosas defectuosas
1 1310 59 16 1650 95
2 1420 62 17 1450 86
3 1500 15 18 1350 59
4 1650 42 19 1250 84
5 1580 58 20 1145 75
6 1275 87 21 1275 51
7 1650 78 22 1354 52
8 1750 98 23 1325 35
9 1500 96 24 1256 36
10 1600 58 25 1782 95
11 1400 95 26 1485 96
12 1200 62 27 1650 68
13 1300 35 28 1470 84
14 1100 63 29 1590 47
15 1540 86 30 1350 75

Juan Carlos Osorio

 Ejercicio
Se tienen los siguientes datos de un proceso. Realizar el análisis del mismo a partir
de los gráficos de control
Articulos No de Articulos No de
Día Día
inspeccionados defectos inspeccionados defectos
1 450 15 16 520 15
2 500 25 17 550 13
3 350 14 18 475 10
4 475 13 19 465 20
5 400 26 20 500 28
6 650 18 21 515 24
7 560 22 22 530 26
8 525 19 23 375 27
9 550 24 24 390 28
10 475 35 25 425 15
11 425 27 26 475 14
12 420 16 27 450 19
13 465 19 28 425 18
14 480 25 29 500 27
15 490 20 30 375 26

Juan Carlos Osorio

 Ejercicio
Un elemento se fabrica en lotes de 200 y se efectúa una
inspección al 100%. La hoja de recuento de los 25 lotes
recientes mostraba que 75 elementos eran defectuosos.
Determinar los límites de control para un gráfico np
indicando el número de artículos defectuosos en cada lote.
Suponiendo que todos los puntos caen dentro de los límites
de control, ¿qué estimación puede hacerse de la fracción
defectuosa media del proceso?.
Si p permaneciera constante ¿cuál es la probabilidad de que
el lote vigésimo sexto, contenga 7 elementos defectuosos
exactamente? ¿Que contenga 7 o más artículos
defectuosos?

Juan Carlos Osorio

 Tiempo medio de detección (Longitud promedio de la
corrida)

La forma tradicional de medir la velocidad con la que una carta de

control detecta un cambio es a través del ARL (Average Run Lenght).

ARL es el tiempo medio (número promedio de puntos

representados en el gráfico) necesario para obtener un punto fuera
de los límites de control cuando una variación de c unidades se da
de forma continuada en la media de la variable que se está
controlando.

Se utiliza para comparar gráficos y para medir la sensibilidad de los

mismos.

Juan Carlos Osorio

 La habilidad de las cartas 𝑥ҧ y R para detectar corrimientos en la
calidad del proceso se describe por sus curvas de operación
característica (OC).

Considérese la curva OC de una carta 𝑥ҧ con desviación estándar

 conocida y constante. Si la media se corre del valor bajo
control por ejemplo, 𝜇0 a otro valor 𝜇1 = 𝜇0 + 𝑘 , la
probabilidad de NO detectar este corrimiento en la primera
muestra subsecuente, o el riesgo 𝛽, es:

𝛽 = 𝑃 𝐿𝐶𝐿 ≤ 𝑥ҧ ≤ 𝑈𝐶𝐿ȁ𝜇 =𝜇1 = 𝜇0 + 𝑘

Juan Carlos Osorio

 2
Puesto que 𝑥~𝑁(𝜇,
ҧ 𝜎 Τ𝑛) y los límites de control superior e inferior
son 𝑈𝐶𝐿 = 𝜇0 + 𝐿𝜎ൗ 𝑛 y 𝐿𝐶𝐿 = 𝜇0 − 𝐿𝜎ൗ 𝑛 se puede escribir:

𝑈𝐶𝐿 − (𝜇0 + 𝑘) 𝐿𝐶𝐿 − (𝜇0 + 𝑘)

𝛽=𝜙  −𝜙 
ൗ 𝑛 ൗ 𝑛

𝜇0 + 𝐿𝜎ൗ − (𝜇0 + 𝑘) 𝜇0 − 𝐿𝜎ൗ − (𝜇0 + 𝑘)

𝑛 𝑛
𝛽=𝜙  −𝜙 
ൗ 𝑛 ൗ 𝑛

Juan Carlos Osorio

 Tiempo medio de detección (Longitud promedio de la corrida)
1
ARL 
(1   )
  ( L  k n )  ( L  k n )
 = Probabilidad de no detectar el corrimiento k en la primera
muestra después de ocurrido.
 = Función de distribución acumulada de la distribución normal
estándar.
L = Número de desviaciones del gráfico (3).
k = Número de desviaciones que se corre la media.
n = Tamaño de la muestra.

Juan Carlos Osorio

 Para construir la curva OC de la carta 𝑥,ҧ se grafica el riesgo 𝛽
contra la magnitud del corrimiento que quiere detectarse expresado
en unidades de desviación estándar para varios tamaños de la
muestra n.
1,2

1 n=2
n=2 n=3
n = 10 n=4
0,8
n=3 n=5
n=4
n=5 n=6
0,6
n=7
n=6
n=8
0,4 n=9
n = 10
n = 15
0,2
n = 20

0
0 0,5 1 1,5 2 2,5 3 3,5

Juan Carlos Osorio

 La probabilidad de que el corrimiento se detecte en la r-ésima
muestra subsecuente es 1 − 𝛽 veces la probabilidad de no
detectar el corrimiento en cada una de las 𝑟 − 1 muestras
iniciales, o:
𝛽𝑟−1 1 − 𝛽

El número esperado de muestras tomadas antes de que se

detecte el corrimiento es simplemente la longitud promedio
de la corrida, o:
∞
1
𝐴𝑅𝐿 = ෍ 𝑟𝛽 𝑟−1 1−𝛽 =
1−𝛽
𝑟=1

Juan Carlos Osorio

 Tiempo medio hasta la señal (ATS)

Tiempo medio hasta la señal esta dado por:

ATS  ARL  h
h = Intervalos de tiempo entre mediciones.

Número esperado de unidades individuales muestreadas:

I  nARL

Juan Carlos Osorio

 Tiempo medio de detección (Longitud promedio de la corrida)
Otra manera de expresar el ARL es:
1
ARL 
(1   )
  PD  nLCS / p PD  nLCI / p
  Px  LCS / c Px  LCI / c
 = Probabilidad de no detectar el corrimiento en la primera muestra
después de ocurrido.
n = Tamaño de la muestra.

Juan Carlos Osorio

 Gráficos de control para mediciones individuales

Aplica cuando el tamaño de la muestra usado para monitorear el

proceso es uno:
• Cuando se usa tecnología que permite inspeccionar cada uno
de los artículos producidos.
• La velocidad de producción es muy lenta.
• El costo de muestrear es muy alto.
En muchas aplicaciones de este gráfico se usa el rango móvil como
base para estudiar la variabilidad del proceso.
También se puede establecer un gráfico para el rango móvil.

Juan Carlos Osorio

 Gráficos de control para mediciones individuales

• Gráfico de promedio móvil:

~
LC  MR
~ ~ MRi  xi  xi 1
LCI  D4 MR LCS  D3 MR
• Gráfico de medidas individuales:
~
LC  X
~ ~
~ 3MR ~ 3MR
LC  X  LC  X  d2= 1.128 para n = 2
d2 d2

Juan Carlos Osorio

 Gráficos de control para mediciones individuales:
En la producción de tequila, para medir la eficacia del proceso se
controla el grado brix residual después de la molienda (cantidad de
azúcar que queda en el bagazo del agave), esta es una variable del tipo
entre más pequeña mejor y se ha definido el valor máximo permitido
en 3.5%. Se ha propuesto controlarlo con un gráfico de medidas
individuales y se tienen los datos de los últimos 40 lotes molidos. Que
se puede concluir sobre este proceso?

Juan Carlos Osorio

 Gráficos de control para mediciones individuales:

Lote Brix Residual Lote Brix Residual Lote Brix Residual Lote Brix Residual
1 2 11 1,6 21 1,2 31 1,7
2 2,4 12 2,2 22 1,8 32 2,1
3 2,2 13 1,9 23 2 33 1,6
4 1,4 14 2,4 24 2,4 34 2,4
5 2,3 15 3,3 25 1,9 35 2,1
6 1,8 16 2,1 26 2,4 36 1,8
7 1,5 17 2,1 27 2,4 37 1,3
8 1,5 18 1,8 28 1,7 38 1,8
9 2,1 19 1,6 29 1,8 39 1,7
10 2 20 2,1 30 2,1 40 1,6

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM):

Carta en la cual se grafica la suma acumulada de las desviaciones

con respecto a la media global.
Se usa cuando se requiere identificar una variación pequeña en el
proceso (media) y es particularmente efectiva con muestras de
tamaño igual a 1.
Hay dos formas de representar cusums:
 Cusum tabular (o algorítmica). Es preferible sobre la otra.
 Máscara V de la cusum.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM):

 La carta CUSUM incorpora directamente toda la información

contenida en la secuencia de los valores muestrales respecto
del valor objetivo.

 Las cartas de suma acumulada son más efectivas para

detectar corrimientos pequeños en el proceso porque
combinan información de varias muestras.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM)
tabular:
Ci+ = máx [ 0, xi – (µ0 + K) + Ci-1+ ]

Ci- = máx [ 0, (µ0 - K) - xi + Ci-1- ]

C0+ = C0- = 0 Valores iniciales.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:
 K= valor de referencia, se escoge como el valor medio entre el
objetivo µ0 y el valor fuera de control µ1 que se quiere detectar con
rapidez.

 Ci+ y Ci- se les llama cusums unilaterales superior e inferior.

Acumulan las desviaciones del valor objetivo µ0 que son mayores
que k y cuando se hacen negativas, se reinician en cero.

 Si Ci+ o Ci- excede el intervalo de decisión H, se considera que el

proceso está fuera de control.

 Un valor razonable para H es cinco veces la desviación estándar del

proceso.

Juan Carlos Osorio

 Muestra, i Xi Xi-10 Ci=(Xi-10)+Ci-1
1 9,45 -0,55 -0,55
2 7,99 -2,01 -2,56 Gráfico de control de suma
3 9,29 -0,71 -3,27
4 11,66 1,66 -1,61 acumulada (CUSUM) tabular:
5 12,16 2,16 0,55
6 10,18 0,18 0,73
7 8,04 -1,96 -1,23
8 11,46 1,46 0,23
9 9,20 -0,80 -0,57
10 10,34 0,34 -0,23
11 9,03 -0,97 -1,20
12 11,47 1,47 0,27
13 10,51 0,51 0,78
14 9,40 -0,60 0,18
15 10,08 0,08 0,26
16 9,37 -0,63 -0,37
17 10,62 0,62 0,25
18 10,31 0,31 0,56
19 8,52 -1,48 -0,92
20 10,84 0,84 -0,08
21 10,90 0,90 0,82
22 9,33 -0,67 0,15
23 12,29 2,29 2,44
24 11,50 1,50 3,94
25 10,60 0,60 4,54
26 11,08 1,08 5,62
27 10,38 0,38 6,00
28 11,62 1,62 7,62
29 11,31 1,31 8,93
30 10,52 0,52 9,45

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:

Estimación de la nueva media cuando el corrimiento se ha

dado:

 Ci 
o  K  N  Si Ci  H 


ˆ    
o  K  Ci Si Ci   H 
 N 

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:

Valores de k y los valores correspondientes de h que producen ARL₀

= 370 para la cusum tabular bilateral:
k 0,25 0,5 0,75 1 1,25 1,5
h 8,01 4,77 3,34 2,52 1,99 1,61

1 es muy utilizado en la práctica.

k
2
Nota:
Las pruebas para corridas, y otras reglas de sensibilidad como las
reglas de zona, no pueden aplicarse con seguridad a la cusum, ya
que los valores sucesivos de Ci+ y Ci- no son independientes.

Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:

Longitud promedio de la corrida ARL:

0
exp( 2b)  2b  1
ARL    k para Ci


22 
     k para Ci
1 1 1
 
 b  h  1.166
ARL ARL ARL 1  o 
 


Juan Carlos Osorio

 Gráfico de control de suma acumulada (CUSUM) tabular:
La cusum estandarizada:
xi  o


Ci  máx 0, yi  k  Ci1 
yi 
  máx 0,k  y  C 
 
Ci i i 1

La cusum a escala (para monitorear la variabilidad del proceso):

yi  0,822


Si  máx 0, vi  k  Si1 
vi 
 máx 0,k  v  S 
 
0,349 Si i i 1

Señal de la cusum a escala, presume cambio en la variación.

Señal de la cusum a escala y cusum de estatus, cambio en la media.

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado
exponencialmente (EWMA):
Carta en la que se grafica la suma ponderada de las medias de los
subgrupos observados hasta el tiempo de inspección, que asigna
pesos decrecientes a las medias anteriores.
Esta carta tiene un desempeño muy parecido a la CUSUM en la
detección de pequeños cambios de nivel del proceso, con la ventaja
de que es más fácil de construir.
Buena alternativa para detectar corrimientos pequeños.
Se usa típicamente para observaciones individuales.

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado
exponencialmente (EWMA):

Promedio móvil ponderado exponencialmente Zi:

Zi  xi  (1   )Zi 1
Si las observaciones Xi son variables aleatorias independientes:

  
 2
 2

 1  (1   )
2i

 2 
Zi

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado
exponencialmente (EWMA):
Los límites para este gráfico de control:

Linea central   0 0,05    0,25

Valores usados en

LCS   0  L
(2   )

1  (1   ) 
2i
la práctica
  0,05

LCI   0  L
(2   )

1  (1   ) 
2i
  0,10
  0,25

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado
exponencialmente (EWMA): Muestra, i
1
Xi
9,45
zi
9,945
LCS
10,27
LCI
9,73
2 7,99 9,7495 10,3632 9,63675
3 9,29 9,70355 10,424 9,576
4 11,66 9,8992 10,4675 9,53254
5 12,16 10,1253 10,4999 9,5001
6 10,18 10,1307 10,5247 9,47529
7 8,04 9,92167 10,544 9,45602
8 11,46 10,0755 10,5591 9,44091
9 9,2 9,98796 10,571 9,42895
10 10,34 10,0232 10,5805 9,41945
11 9,03 9,92384 10,5881 9,41187
12 11,47 10,0785 10,5942 9,4058
13 10,51 10,1216 10,5991 9,40092
14 9,4 10,0495 10,603 9,397
15 10,08 10,0525 10,6062 9,39385
16 9,37 9,98426 10,6087 9,3913
17 10,62 10,0478 10,6107 9,38925
18 10,31 10,074 10,6124 9,38759
19 8,52 9,91864 10,6137 9,38626
20 10,84 10,0108 10,6148 9,38517
21 10,9 10,0997 10,6157 9,3843
22 9,33 10,0227 10,6164 9,38359
23 12,29 10,2495 10,617 9,38302
24 11,5 10,3745 10,6174 9,38255
25 10,6 10,3971 10,6178 9,38218
26 11,08 10,4654 10,6181 9,38187
27 10,38 10,4568 10,6184 9,38163
28 11,62 10,5731 10,6186 9,38143
29 11,31 10,6468 10,6187 9,38127
30 10,52 10,6341 10,6189 9,38113

Juan Carlos Osorio

 Gráfico de control del promedio móvil ponderado
exponencialmente (EWMA):
Longitudes promedio de la corrida para varios esquemas de
control EWMA:
Corrimiento de la
media (múltiplo L=3,054 2,998 2,962 2,814 2,615
de σ) λ=0,40 0,255 0,2 0,1 0,05 Funciona bien para
distribuciones
0 500 500 500 500 500
0,25 224 170 150 106 84,1 diferentes de la
0,5 71,2 48,2 41,8 31,3 28,8 normal, por lo que
0,75 28,4 20,1 18,2 15,9 16,4
1 14,3 11,1 10,5 10,3 11,4
se recomienda su
1,5 5,9 5,5 5,5 6,1 7,1 uso en mediciones
2 3,5 3,6 3,7 4,4 5,2
2,5 2,5 2,7 2,9 3,4 4,2
individuales.
3 2 2,3 2,4 2,9 3,5
4 1,4 1,7 1,9 2,2 2,7

Juan Carlos Osorio

 Un cambio se considera pequeño si es menor 1.5 veces la desviación
estándar de la media.

Las cartas de control tradicionales no son rápidas para detectar

“cambios pequeños” en el proceso.

Las cartas especiales como CUSUM y EWMA son capaces de detectar

brincos de magnitudes 0.8  ~x y 0.1 ~x al menos cuatro veces más rápido
que las cartas tipo Shewhart.
La diferencia fundamental entre estas cartas con respecto a la carta
tradicional es la manera en que ponderan los datos. Las cartas
Shewhart sólo considera la información obtenida en el tiempo t,
mientras que CUSUM y EWMA toman en cuenta toda la información.

Juan Carlos Osorio

 La capacidad del proceso se refiere a la uniformidad
del mismo.

Hay dos formas de conceptualizar la variabilidad:

1. La variabilidad natural o inherente en un tiempo
especificado; es decir, la instantánea.
2. La variabilidad con el tiempo.

Juan Carlos Osorio

 ÍNDICE Cp (índice de capacidad potencial del proceso)

ES  EI
Cp 
6
Cp compara el ancho de las especificaciones o la valoración
tolerada para el proceso con la amplitud de la variación real de
éste:
Variación tolerada
Cp 
Variación real

6σ : variación real

Juan Carlos Osorio

 INTERPRETACIÓN DEL ÍNCIDE Cp

Se requiere que la variación real siempre sea menor que la

variación tolerada.

De aquí, que lo deseable es que Cp > 1

Si Cp < 1 es una evidencia de que el proceso no cumple

con las especificaciones.

Juan Carlos Osorio

 Las siguientes dos tablas están fundamentadas en cuatro
supuestos:

1. La característica de la calidad se distribuye de manera

normal.
2. El proceso está centrado.
3. El proceso está bajo control estadístico.
4. Se conoce la desviación estándar del
proceso.

Juan Carlos Osorio

 Valores del cp y su interpretación
VALOR DEL CLASE O CATEGORÍA DECISIÓN (SI EL PROCESO
ÍNDICE Cp DEL PROCESO ESTÁ CENTRADO)
Cp ≥ 2 Clase mundial Se tiene calidad Seis Sigma
Cp > 1.33 1 Adecuado
Parcialmente adecuado, requiere
1 < Cp < 1.33 2
de un control estricto
No adecuado para el trabajo
Es necesario un análisis del
proceso
0.67 <Cp < 1 3
Requiere modificaciones serias
para alcanzar una calidad
satisfactoria
No adecuado para el trabajo
Cp <0.67 4 Requiere modificaciones muy
serias

Juan Carlos Osorio

 Los índices Cp, Cpi y Cps en términos de la cantidad de piezas malas; bajo
normalidad y proceso centrado en el caso de doble especificación.
VALOR DEL PROCESO CON DOBLE CON REFERENCIA A UNA SOLA
ÍNDICE ESPECIFICACIÓN (ÍNDICE Cp) ESPECIFICACIÓN ( Cpi, Cps,
(CORTO PLAZO) Cpk)
% FUERA DE LAS PARTES POR % FUERA DE PARTES POR
DOS MILLÓN FUERA UNA MILLÓN FUERA
ESPECIFICACION (PPM) ESPECIFICACI (PPM)
ES ÓN
0.2 54.8506 % 548 506.130 27.4253 % 274 253.065
0.3 36.8120 % 368 120.183 18.4060 % 184 060.092
0.4 23.0139 % 230 139.463 11.5070 % 115 069.732
0.5 13.3614 % 133 614.458 6.6807 % 66 807.229
0.6 7.1861 % 71 860.531 3.5930 % 35 930.266
0.7 3.5729 % 35 728.715 1.7864 % 17 864.357
0.8 1.6395 % 16 395.058 0.8198 % 8 197.529
0.9 0.6934 % 6 934.046 0.3467 % 3 467.023
1.0 0.2700 % 2 699.934 0.1350 % 1 349.967
1.1 0.0967 % 966.965 0.0483 % 483.483
1.2 0.0318 % 318.291 0.0159 % 159.146
1.3 0.0096 % 96.231 0.0048 % 48.116
1.4 0.0027 % 26.708 0.0013 % 13.354
1.5 0.0007 % 6.802 0.0003 % 3.401
1.6 0.0002 % 1.589 0.0001 % 0.794
1.7 0.0000 % 0.340 0.0000 % 0.170
1.8 0.0000 % 0.067 0.0000 % 0.033
1.9 0.0000 % 0.012 0.0000 % 0.006
2.0 0.0000 % 0.002 0.0000 % 0.001

Juan Carlos Osorio

 ÍNDICE Cr razón de capacidad potencial (inverso
de Cp)
6
Cr  , Cr  1
ES  EI
Cr representa la proporción de la banda de
especificaciones que es ocupada por el proceso.

Juan Carlos Osorio

 ÍNDICES Cpi, Cps, Cpk

Evalúa por separado el cumplimiento de la especificación

inferior y superior.

Índices Cpi Índice Cps

(índice de capacidad para la (índice de capacidad para la
especificación inferior) especificación superior)

  EI ES  
Cpi  Cps 
3 3

Juan Carlos Osorio

 Estos índices (Cpi y Cps) toman en cuenta μ, al
calcular la distancia de la media del proceso a una
de las especificaciones. Esta distancia representa la
variación tolerada para el proceso de un solo lado
de la media. Por esto sólo se divide en 3σ.

Juan Carlos Osorio

 ÍNDICE Cpk (Índice de capacidad real del proceso)

Toma en cuenta el centrado del proceso.

   EI ES   
Cpk  Mínimo  , 
 3 3 
Cpk > 1,25 es satisfactorio, indica que el proceso es capaz.

Cpk < 1 el proceso no cumple con por lo menos una de las

especificaciones.

Juan Carlos Osorio

 Elementos adicionales para la interpretación del Cpk:

 Cpk ≤ Cp cuando son próximos, indica que la media del

proceso está muy cerca del punto medio de las
especificaciones, por lo que Cp y Cpk son similares.

 Cpk es mucho más pequeño que Cp, indica que la media

del proceso está alejada del centro de las especificaciones.
El índice Cpk estará indicando la capacidad real del
proceso , y si se corrige el problema de descentrado se
alcanzará la capacidad potencial indicada por el índice Cp.

Juan Carlos Osorio

  Cuando Cpk sea mayor 1,25 en un proceso ya existente,
se tiene un proceso con capacidad satisfactoria.

 En procesos nuevos el Cpk > 1,45.

 Es posible tener valores del índice Cpk iguales a cero o

negativos, e indican que la medida del proceso está fuera
de las especificaciones.

Juan Carlos Osorio

 ÍNDICE K (índice de centrado del proceso)

N
K *100
1 ( ES  EI )
2
Interpretación de K
 Si el signo del valor de K es positivo la media del proceso
es mayor al valor nominal μ >N.
 Si es negativo, μ< N.

Juan Carlos Osorio

  Valores de K menores al 20% en términos absolutos se
consideran aceptables, pero si el valor absoluto de K es
mayor al 20% indica un proceso muy descentrado.

 El valor nominal N, es la calidad objetivo y óptima;

cualquier desviación con respecto a este valor lleva un
detrimento en la calidad.

Juan Carlos Osorio

 ÍNDICE Cpm (Índice de Taguchi): mejor indicador del
centrado ES  EI
Cpm 
6
Donde τ (tau) está dada por:
   2  (  N )2
N: valor nominal de la característica de calidad; por lo
general N= 0,5 (ES-EI).

Si el proceso está centrado, es decir si μ = N entonces Cp,

Cpk y Cpm son iguales.

Juan Carlos Osorio

 INTERPRETACIÓN ÍNDICE Cpm (Índice de Taguchi)
 Cpm < 1: El proceso no cumple con especificaciones, por
problemas de centrado o por exceso de variabilidad.

 Cpm > 1: El proceso cumple con especificaciones, la medida

del proceso está dentro de la tercera parte central de la banda
de las especificaciones.

 Cpm > 1,33: El proceso cumple con especificaciones y la

media del proceso está dentro de la quinta parte central del
rango de especificaciones.

Juan Carlos Osorio

 CAPACIDAD DE CORTO PLAZO

Se calcula a partir de muchos datos tomados durante un

período corto para que no haya influencias externas en el
proceso, o con muchos datos de un período largo, pero
calculando σ con el rango promedio (σ = R/d₂).

R: Promedio de los rangos de los subgrupos

d₂: Depende del tamaño del subgrupo (se encuentra en las
tablas).

Juan Carlos Osorio

 CAPACIDAD DE LARGO PLAZO

Se calcula con muchos datos tomados de un período muy

largo para que los factores externos influyan en el proceso,
y σ se estima mediante la desviación estándar de todos los
datos (σ=S).

S: desviación estándar

Juan Carlos Osorio

 ÍNDICES Pp y Ppk

Están enfocados al desempeño del proceso a largo plazo, y

no sólo a su capacidad.

Índice Pp (Índice de desempeño potencial del proceso).

ES  EI
Pp 
6L

Juan Carlos Osorio

 Donde σL es la desviación estándar de largo plazo.

Pp no toma en cuenta el centrado del proceso, por ello suele

complementarse con el índice de desempeño real del proceso
Ppk, que se obtiene con:

   EI ES   
Ppk  mínimo   
 3 L 3L 

Juan Carlos Osorio

 Plantea una aspiración o meta común en calidad para todos los
procesos de una organización.

ÍNDICE Z
Es la métrica de capacidad de procesos de mayor uso en Seis
Sigma. Se obtiene calculando la distancia entre la media y las
especificaciones, y esta distancia se divide entre la desviación
estándar.
ES     EI
Zs  Zi 
 

Z = mínimo [Zs, Zi]

Juan Carlos Osorio

 Índice Zc
Valor del índice Z en el cual se emplea σ de corto plazo.

Índice ZL
Valor del índice Z que utiliza σ de largo plazo.

Desplazamiento o movimiento del proceso ( diferencia

entre la capacidad de corto y largo plazo)
Z M  ZC  Z L

Zm representa la habilidad para controlar la tecnología.

Juan Carlos Osorio

 En un proceso de envasado de cemento de una empresa
cementera se tiene como especificación del contenido de los
costales 50 kg, con una tolerancia de 0.6 kg. De esta forma,
la especificación inferior es EI = 49.4 kg, y la superior ES =
50.6 KG. De acuerdo con los datos históricos se tiene que la
media del proceso es μ = 50.01 y la desviación estándar es
0.2 kg. De aquí que,

50.6  50.01 50.01  49.4

ZS   2.95 y Zi   3.05
0.2 0.2

Juan Carlos Osorio